論文の概要: Rethinking Satellite Image Restoration for Onboard AI: A Lightweight Learning-Based Approach
- arxiv url: http://arxiv.org/abs/2604.12807v1
- Date: Tue, 14 Apr 2026 14:37:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-15 19:11:32.503126
- Title: Rethinking Satellite Image Restoration for Onboard AI: A Lightweight Learning-Based Approach
- Title（参考訳）: 搭載型AIのための衛星画像復元の再考 : 軽量学習に基づくアプローチ
- Authors: Adrien Dorise, Marjorie Bellizzi, Omar Hlimi,
- Abstract要約: 衛星画像復元は,画像システムや取得条件の劣化を補うことで画質を向上させることを目的としている。
従来の修復パイプラインは計算集約的で遅いため、オンボード環境には適さない。
シミュレーション衛星データに基づいて訓練された光・非生成残差畳み込みネットワークであるConvBEERSを紹介する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Satellite image restoration aims to improve image quality by compensating for degradations (e.g., noise and blur) introduced by the imaging system and acquisition conditions. As a fundamental preprocessing step, restoration directly impacts both ground-based product generation and emerging onboard AI applications. Traditional restoration pipelines based on sequential physical models are computationally intensive and slow, making them unsuitable for onboard environments. In this paper, we introduce ConvBEERS: a Convolutional Board-ready Embedded and Efficient Restoration model for Space to investigate whether a light and non-generative residual convolutional network, trained on simulated satellite data, can match or surpass a traditional ground-processing restoration pipeline across multiple operating conditions. Experiments conducted on simulated datasets and real Pleiades-HR imagery demonstrate that the proposed approach achieves competitive image quality, with a +6.9dB PSNR improvement. Evaluation on a downstream object detection task demonstrates that restoration significantly improves performance, with up to +5.1% mAP@50. In addition, successful deployment on a Xilinx Versal VCK190 FPGA validates its practical feasibility for satellite onboard processing, with a ~41x reduction in latency compared to the traditional pipeline. These results demonstrate the relevance of using lightweight CNNs to achieve competitive restoration quality while addressing real-world constraints in spaceborne systems.
- Abstract（参考訳）: 衛星画像復元は、撮像システムや取得条件によって導入された劣化(例えば、ノイズやぼやけ)を補正することで画質を向上させることを目的としている。
基本的な前処理ステップとして、リカバリは、地上ベースの製品生成とオンボードAIアプリケーションの両方に直接的な影響を与える。
シーケンシャルな物理モデルに基づく従来の復元パイプラインは計算集約的で遅いため、オンボード環境には適さない。
本稿では、衛星データに基づいて訓練された光・非生成残差畳み込みネットワークが、複数の動作条件で従来の地上処理復元パイプラインと一致するか、あるいは超えるかを調べるために、ConvBEERS: a Convolutional Board-ready Embedded and Efficient Restoration model for Spaceを紹介した。
シミュレーションデータセットと実Pleiades-HR画像を用いて行った実験は、提案手法が競合画像の品質を実現し、+6.9dBのPSNRが向上したことを示している。
下流のオブジェクト検出タスクの評価では、復元によってパフォーマンスが大幅に向上し、最大で+5.1% mAP@50となる。
さらに、Xilinx Versal VCK190 FPGA へのデプロイが成功し、衛星搭載処理の実現可能性が確認された。
これらの結果は,宇宙空間における実環境制約に対処しながら,軽量CNNを用いて,競争力のある復元品質を実現することの意義を示している。
関連論文リスト
- KAO: Kernel-Adaptive Optimization in Diffusion for Satellite Image [0.0]
KAOはKernel-Adaptive Optimizationを利用した新しいフレームワークである。
KAOは、非常に高解像度(VHR)衛星データセットがもたらす課題に対処するために特別に設計された。
論文 参考訳（メタデータ） (2025-11-04T10:44:36Z) - Physics-Guided Null-Space Diffusion with Sparse Masking for Corrective Sparse-View CT Reconstruction [5.479463752172751]
拡散モデルは画像処理タスクにおいて顕著な生成能力を示した。
スパース・ビューCT再構成のためのスパース・コンディション・リワイト統合分布推定誘導拡散モデル(STRIDE)を提案する。
実験結果から,PSNRでは2.58dB,SSIMでは2.37%,MSEでは0.236に改善した。
論文 参考訳（メタデータ） (2025-09-07T09:42:16Z) - DIPLI: Deep Image Prior Lucky Imaging for Blind Astronomical Image Restoration [4.378167136812483]
この研究は、バックプロジェクション技術を用いて、シングルフレームからマルチフレームのトレーニングに移行するフレームワークであるDIPLIを提案する。
総合評価では、ラッキーイメージング、DIP、トランスフォーマーベースモデルRVRT、拡散ベースモデルDiffIR2VR-Zeroと比較する。
論文 参考訳（メタデータ） (2025-03-20T09:33:16Z) - SING: Semantic Image Communications using Null-Space and INN-Guided Diffusion Models [52.40011613324083]
近年, 無線画像伝送において, 共用音源チャネル符号化システム (DeepJSCC) が顕著な性能を発揮している。
既存の手法では、送信された画像とレシーバーの再構成されたバージョンとの間の歪みを最小限に抑えることに重点を置いており、しばしば知覚的品質を見落としている。
逆問題として,破損した再構成画像から高品質な画像の復元を定式化する新しいフレームワークであるSINGを提案する。
論文 参考訳（メタデータ） (2025-03-16T12:32:11Z) - Deep Learning-Based Image Recovery and Pose Estimation for Resident Space Objects [0.46873264197900916]
宇宙船とそのポーズを識別できる訓練モデルは、モデルトレーニングに利用可能な画像データが不足しているため、大きな課題となる。
本稿では,空間オブジェクト(RSO)画像のリアルな合成データセットを生成するための革新的なフレームワークを提案する。
提案した画像回復・回帰手法の解析を行い,実画像に適用した場合の性能,潜在的な拡張,限界について考察した。
論文 参考訳（メタデータ） (2025-01-22T16:50:58Z) - Blind Underwater Image Restoration using Co-Operational Regressor Networks [15.853520058218042]
我々は、CoRe-Nets(Co-Operational Regressor Networks)という新しい機械学習モデルを提案する。
CoRe-Netは、画像変換を担当するApprentice Regressor(AR)と、ARによって生成された画像のピーク信号-ノイズ比(PSNR)を評価し、それをARにフィードバックするMaster Regressor(MR)の2つの協調ネットワークで構成されている。
私たちの結果と提案したアプローチの最適化されたPyTorch実装はGitHubで公開されています。
論文 参考訳（メタデータ） (2024-12-05T09:15:21Z) - Learning Efficient and Effective Trajectories for Differential Equation-based Image Restoration [59.744840744491945]
本稿では, この手法の軌道最適化を改良し, 復元品質と効率の両立に焦点をあてる。
反復サンプリングに伴うかなりの計算負担を軽減するため,コストを考慮したトラジェクトリー蒸留法を提案する。
提案アルゴリズムを用いて基礎拡散モデル(FLUX)を12Bパラメータで微調整し、7種類の画像復元タスクを処理する統一的なフレームワークを作成する。
論文 参考訳（メタデータ） (2024-10-07T07:46:08Z) - DGNet: Dynamic Gradient-Guided Network for Water-Related Optics Image
Enhancement [77.0360085530701]
水中画像強調(UIE)は、水中環境によって引き起こされる複雑な劣化のために難しい課題である。
従来の手法では、劣化過程を理想化し、中音や物体の動きが画像の特徴の分布に与える影響を無視することが多い。
提案手法では,予測画像を用いて疑似ラベルを動的に更新し,動的勾配を加えてネットワークの勾配空間を最適化する。
論文 参考訳（メタデータ） (2023-12-12T06:07:21Z) - Physics-Driven Turbulence Image Restoration with Stochastic Refinement [80.79900297089176]
大気乱流による画像歪みは、長距離光学画像システムにおいて重要な問題である。
ディープラーニングモデルが現実世界の乱流条件に適応するために、高速で物理学的なシミュレーションツールが導入された。
本稿では,物理統合復元ネットワーク(PiRN)を提案する。
論文 参考訳（メタデータ） (2023-07-20T05:49:21Z) - Unsupervised Restoration of Weather-affected Images using Deep Gaussian
Process-based CycleGAN [92.15895515035795]
本稿では,CycleGANに基づくディープネットワークの監視手法について述べる。
我々は,より効果的なトレーニングにつながるCycleGANのトレーニングに新たな損失を導入し,高品質な再構築を実現した。
提案手法は, 脱落, 脱落, 脱落といった様々な修復作業に効果的に適用できることを実証する。
論文 参考訳（メタデータ） (2022-04-23T01:30:47Z) - Attention Based Real Image Restoration [48.933507352496726]
深層畳み込みニューラルネットワークは、合成劣化を含む画像に対してより良い性能を発揮する。
本稿では,新しい1段ブラインド実画像復元ネットワーク(R$2$Net)を提案する。
論文 参考訳（メタデータ） (2020-04-26T04:21:49Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。